该模型提升“质量”

此处的“质量”由模型自身定义，因为我使用的训练过程涉及在大量不同示例构图中强化模型的“杰作”标签及其他相关标签。

我是如何做到的？

我使用了 P1atdev 在 GitHub 上基于 LECO 论文开发的 LECO 训练脚本来训练此模型。LECO 训练过程会在任意去噪强度下生成一张图像，然后训练模型在有概念提示与无提示时输出结果之间的差异。这使得模型能够将标签、词语、概念或短语与任意提示建立关联。在此情况下，我将

masterpiece, best quality, newest, absurdres, highres, high quality, highly detailed

“质量段落”与

关联起来，因此我实际上是在训练模型，使其始终生成看起来像是被提示包含“质量段落”的图像。

捐赠

说到训练，训练模型成本高昂，而我使用的是自己的私有服务器进行训练。如果你喜欢我的工作，欢迎支持我的开发！

https://ko-fi.com/yolup

主要优势

1. 我最喜欢这种方法的一个优势是，它使“质量”成为一种模块化且可控制的属性。虽然增加质量标签的权重对输出会产生某种神秘的影响，但此 LoRA/LECO 模型的改动清晰明确、易于理解，你可以通过调整 LoRA/LECO 的权重来精确控制其强度——这是其设计的正常操作（而加权提示只是对注意力层的一种“技巧”，并不总能产生预期效果）。

2. 另一个优势是，此 LoRA/LECO 并未占用“质量段落”原本所消耗的 token！消耗上下文窗口会迫使你所使用的后端（无论是 A1111、InvokeAI 还是 ComfyUI）在注意力中插入不可见的 BREAK，从而损害你构建提示的整体连贯性，并可能引发其他意外后果。

特性与注意事项

我在多种场景下测试过该模型，仅发现以下常规现象：

1. 若未指定，模型倾向于生成女性化的人物形象
2. 在较高权重下，图像倾向于呈现“锐利”的风格
3. 它对构图影响巨大，因此若你仅想改善早期生成结果，此模型可能并不理想
4. 我注意到它似乎会提高图像的曝光度
5. 它似乎以某种方式提升了模型的可靠性：我曾将 CFG 值调至低于或高于基础模型的运行范围，模型仍能恢复正常的输出，这一点令我感到意外。